1. Neurale netwerken in marketing

Transcriptie

1 1. Neurale netwerken in marketing R.C.P. VAN DER VEER, B. WIERENGA EN J.C.H.W. KLUYTMANS SAMENVAT~ING Doel van dit artikel is een introductie te geven van neurale netwerken voor diegenen die in marketing of marktonderzoek werkzaam zijn. Eerst wordtingegaan op de (biologische) achtergrond van neurale netwerken. Vervolgens worden diverse aspecten van neurale netwerken besproken: leren aan de hand van voorbeelden, parameters, backpropagalion netwerken, prototype-gebaseerde netwerken. Daarna wordt een vergeijking getrokken met traditionele statistiek en artifi- Het artikel vervolgt met een discussie over mogelijke toepassingen. Tot slot worden zaken besproken die samenhangen met toepassing in de praktijk, ook omvattend de beschrijving van een aantal beschikbare programma s. 1. INLEIDING Neurale netwerken trekken vandaag de dag de aandacht in vele vakgebieden. Ook in marketing zien we de eerste toepassingen verschijnen: Hruschka (1991), Mazanec (1993), Hoptroff (1992), Kluytmans, Wierenga & Spigt (1993) en Wierenga en Kluytmans (1994). Neurale netwerken zijn betrekkelijk eenvoudige wiskundige algorithmen die de input variabelen van een bepaald systeem (in marketing bijvoorbeeld: de marketing mix-instrumenten of de kenmerken van kianten) in verband brengen met de output van dat systeem (in marketing bijvoorbeeld: aankopen van kianten). De architektuur van neurale netwerken biedt flexibele presentatiemogelijkheden die een grote diversiteit aan situaties aankunnen. In principe kan een neuraal netwerk worden gezien als een lerend mechanisme: het netwerk leert de connecties tussen inputs en outputs uit gepresenteerde cases. Voor nieuwe cases kan het aldus getrainde netwerk de uitkomsten voorspellen. In dit artikel wordt eerst ingegaan op de (biologische) achtergrond van neurale netwerken. Vervolgens worden diverse aspekten van neurale netwerken besproken waarbij ze onder andere worden vergeleken met traditionele methoden zoals multivariate technieken. Vervolgens komen de toepassingsmogelijkheden van neurale netwerken in marketing met eennantal voorbeelden aan de orde. In de daaropvolgende paragraaf worden de resultaten vermeld van exploratief onderzoek naar de mogelijkheden van neurale netwerken bij marketing tijdreeksen. 9

2 Daarna volgt een overzicht van neurale netwerken tools en wordt het artikel afgesloten met enkele conclusies. 2. ACHTERGROND De struktuur van het biologisch zenuwstelsel van levende organismen vormt de grondslag voor de neurale netwerk theorie~n. Met de ontwikkelin~g van dergelijke theorie~n houden onderzoekers op- bet gebied van de kunstmatige intelligentie zich bezig. Men tracht modellen te ontwikkelen van de hersenen op basis van uiteenlopende experimenten. De hersenen bestaan uit een groot aantal kieine elementjes (zenuwcellenlneuronen), die via talloze verbindingen met elkaar in kontakt staan. De grote drijfveer hierbij is om te komen tot de volledige doorgronding van het brein. Evenals bet brein bescbikken kunstmatige neurale netwerken immers over zelf-organiserend vermogen. Het is een uitdaging om een machine te ontwikkelen met de kracht van het brein. fleze machine zou in staat zijn tot bet snel en doeltreffend uitvoeren van een aantal taken, zoals patroonherkenning in omgevingen met zeer veel mis (waarnemen), bet aansturen van komplexe mechanismen met zeer veel vrijheidsgraden (motorische co6rdinati~), het over lange tijd bewaren van grote hoeveelheden informatie die bijzonder snel aktief kan worden gernaakt (geheugen) en bet oplossen van ingewikkelde en sleclit gedefinieerde problemen door bet met elkaar in verband brengen van relevante informatie (denken). Deze machine zou daamaast in staat zijn om deze vaardigheden al doende te verwerven (leren) (Murre, 1991). De specifteke struktuur van bet brein is waarschijnlijk cruciaal voor Ajn indrukwekkende prestaties. Deze struktuur is nog maar gedeeltelijk ontrafeld en de bestaande modellen doen flog lang geen recbt aan de komplexiteit van het brein. Het brein bestaat uit miljarden neuronen die biljoenen synaptiscbe verbindingen bebben. leder neuron is te bescbouwen als een komplexe chemische fabriek die op een zeer groot aantal manieren beynvloed kan worden en dus een enorm potentieel aan informatieverwerkende mechanismen h~eft. De individuele elementen in een netwerk van zenuwcel-acbtige elementen worden geprikkeld en geremd. Naargelang de sterkte van deze impulsen en de weerstandswaarde van een bepaald element, zal dat element zelf in zekere mate geaktiveerd worden en andere cellen via zijn verbindingen gaan beynvloeden. Het gedrag van het neurale netwerk wordt bepaald door de sterkte van de verbindingen en de manier waarop de elementen met elkaar zijn verbonden. De kennis van een neuraal netwerk ligt dus opgeslagen in bet raamwerk van verbindingen. Het is niet zo dat ewe verbinding overeenkomt met een brokje kennis. ledere verbinding kan eenrol spelen bij tal van vormen van kennis en elk stukje kennis kan over vele verbindingen verspreid zijn. Men spreekt van parallel distributed processing (Rumelbart & McClelland, 1986), wat aangeeft dat vele elementen tegelijkertijd aktief kunnen zijn en dat de verwerking van de informatie over e~n groot deel van bet netwerk verspreid kan zijn. 10

3 De verbindingen tussen de elementen, wanrin de kennis ligt opgeslagen, zijn veranderbaar. Bij iedere nieuwe waarneming van de omgeving worden de verbindingen in bet netwerk heroverwogen. Er wordt geleerd van nienwe ervaringen. De neurale netwerken passen zich aan de omgeving en de veranderingen hierin aan. Vandaar dat zij gescbaard kunnen worden onder de noemer adaptieve, of lerende technieken. Neurale netwerken worden reeds in een groot aantal uiteenlopende vakgebieden toegepast. Een aantal voorbeelden zijn kwaliteitszorg (Verdenius, 1993), prognotiseren op financi~le markten (Refenez, et al., 1993) (Bastaens & van den Bergb, 1992), produktie management (Epping & Nitters, 1990), bet lezen en uitspreken van geschreven tekst (Sejnowski & Rosenberg, 1987), bet maken van weersvoorspellingen, bet filteren van ruis bij ECG s (Beale & Jackson, 1990), bet matchen van gewenste eigenschappen met bestaande eigenschappen bij relatie-bemiddeling en personeelswerving (SMR). 3. INLEIDING NEURALE NETWERKEN Neurale netwerken worden succesvol toegepast in situaties waarin moeilijke verbanden en vervuilde gegevens een rol spelen, zoals patroonherkenning in visuele of audiogegevens. Enkele voorbeelden van zakelijke toepassingen zijn krediet-beoordeling (Collins et al, 1989), koersvoorspelling (Duives et al, 1991) en fraude-analyse. Met name binnen de marketing heeft men veelal te maken met ingewikkelde en veranderlijke verbanden. Daamaast zijn de gegevens vaak onvolledig en vervuild. Neurale netwerken lijken daarmee bij uitstek gescbikt voor marketingtoepassingen. 3.1 Leren aan de hand van voorbeelden Om goede marketing te bedrijven is kennis van de markt (koopgedrag, stimulusgevoeligheid) onontbeerlijk. Marktgedrag is in de regel kompiex en wijzigt zichzelf continu, met als gevolg dat gedegen kennis helaas niet voor bet oprapen ligt. Deze kennis zit echter wel verborgen in gegevens met registraties van gedrag, bijvoorbeeld een kiantendatabase voorzien van persoonlijke kenmerken en gegevens over de relatie met die kiant, zoals hoe vaak welke produkten worden afgenomen. Door de steeds grotere bescbikbaarbeid van gegevens en de technologische ontwikkelingen bestaat er een toenemende belangstelling voor lerende technieken, zoals neurale netwerken die kennis uit gegevens kunnen extraberen. Onder een lerende techniek wordt verstaan: een techniek die zonder noemenswaardige tussenkomst zelfstandig kennis uit gegevens kan extraheren in de vorm van een model. Een lerende techniek kan dus een gedrag modelleren, aan de band van voorbeelden van bet gedrag. Zo is bet voor een marketeer bijvoorbeeld interessant om een model te hebhen dat voorspelt of een kiant uit een bepaalde bevolkingsgroep een bepaald produkt zal kopen, gegeven de specifieke kenmerken van die kiant. Het grote voordeel van lerende technieken is dat met weinig menselijke inspanning en kennis eenvoudig een model kan worden opgesteld. We gaan uit van de volgende case: er is een fabrikant van tuingereedschappen die een mailing, met een aanbieding van een maaimachine, wil sturen aan een aantal prospects. 11

4 De vraag is-mw Welke prospects zullen een maaimacbine kopen?. Als er gegevens bescbikbaar zijn van welke kianten er in bet verleden al dan niet een maaimacbine hebhen gekocht, dan kan een lerende techniek worden gebruikt om op basis van die gegevens een model te genereren. Deze voorheeldgegevens vormen de trainingsdata, waarbij slechts twee variabelen bekend zijn: leeftijd en inkomen. De volgende figuur toont de trainingsdata met voor kopers een J en voor niet-kopers een N. Voorbeelden (trainingsdata) Inkomen,IeeftiJd JN NN NN 4 b N NN jjj N N J Koop I/N N N N N NN N N N I Looft~d Figuur I. Lerende techniek leert kopers en niet-kopers onderscheiden. 3.2 De werking van neurale netwerken In de loop van de tijd is de term neurale netwerken een verzamelnaam geworden voor technieken die een architektuur bebben die grofweg vergelijkbaar is met het zenuwstelsel: een verzameling knopen die onderling massaal verbonden zijn en elk ~n uitvoer hebben. Daarbij verscbilt per type netwerk hoe de gegevensstroom is, welke verwerking de knopen uitvoeren en hoe bet netwerk moet leren door zijn verbindingen aan te passen (Rumelhart & McClelland, 1986). lie belangrijkste eigenschap van neurale netwerken in bet verband van dit stuk is dat ze autonoom een model van gedragspatronen op kunnen stellen en dus kunnen leren. Parameters van netwerken Aan neurale netwerken zijn de volgende aspekten of parameters te onderscheiden: 1. Het aantal knopen ofneuronen Een netwerk bestaat uit een stelsel van knopen, meestal vari~rend in aantal van mmder dan 10 t6i enkele tientallen. Een eerste slap in bet opstellen van een netwerkmodel is bet vaststellen van de knopen die verbonden zijn met de buitenwereld (invoer- en uitvoerlaag) en welke variahelen door welke knopen worden gerepresenteerd. 2. Verbindingen tussen de knopen Elke knoop ontvangt invoer uit een aantal andere knopen en verstuurt zeif signalen naar een volgende set van knopen. Deze signalen worden verstuurd via een vast stelsel van verbi=dingenmet voor ewe verbinding een bijheborend gewicbt. Dit gewicbt hepaalt de invloed van de ene knoop op de andere: als bet gewicbt op de verbinding van knoop A naar B groot is, dan beeft een signaal van A naar B een boge aktiverende werking terwiji een negatief gewicht juist een remmend effekt heeft. Bij de mees- 12

5 te netwerken kunnen de aktivatie-signalen maar 6dn richting op wijzen: zogenaamde feed-forward netwerken. De knopen zijn meestal zo met elkaar verbonden dat er lagen van knopen ontstaan: de knopen in lang 1 zijn dan allemaal verbonden met alle knopen uit laag 2 en die in laag 2 met die in Aktivatie-toestand per knoop EWe knoop herekent op grond van zijn invoersignalen zijn aktivatie-toestand die weer wordt doorgegeven aan volgende knopen. Een voorbeeld van een eenvoudige aktivatie-funktie is: sommeer nile invoersignalen en vergelijk bet resultant met een grenswaarde; als bet resultant groter is zet dan de aktivatie-toestand op 1 en anders op 0. De invoer per verbinding wordt berekend door bet inkomende aktivatie-signaal te vermenigvuldigen met bet gewicht dat bij die verbinding boort. 4. Leerregel Een systeem dat bestaat uit een groot aantal eenbeden, die elk voor zich eenvoudige berekeningen uitvoeren, kan in stnat zijn komplexe computaties uit te voeren. Het probleem is ecbter om op grond van een set gegevens dit systeem te konstrueren. De leerregel geeft nan hoe van een bepnald neuraal netwerk, met een vooraf gekozen aantnl knopen en verbindingen, de gewicbten worden nangepast. Meestal geheurt dit door een groot aantal keren nile voorbeelden uit de trainingsset te bebandelen en ewe keer de gewicbten een kiein heetje aan te passen. De volgende twee helangrijkste soorten leerregels kunnen worden onderscbeiden: Supervised-leren: tijdens de trainings-fase is bekend wat voor elk voorheeld de gewenste uitvoer is en leert bet netwerk deze uitvoer te reproduceren. Unsupervised-leren: hierbij leert het neurale netwerk zelf de onderverdelingen maken in de aangeboden voorbeelden (vergelijk clustering). Backpropagation netwerken De meest gebruikte soort neurale netwerken zijn die waarmn ewe knoop een zogenaamd perceptron is (Rosenblatt, 1962): een eenvoudige verwerkingseenheid die een linenire scheidingfunktie toepast op een reeks variabelen. Een stelsel van perceptrons is dus vergelijkbnar met een komplex linenir model. Er zijn tecimieken die in stant zijn om de parameters van een perceptron-netwerk (de gewichten) te schatten, waarvan de belangrijkste Error Backpropagation is. Een veelgebruikte vorm van een perceptronstelsel is de 3-laags feedjorward struktuur: de uitvoerlaag bevat een knoop voor elke uitvoervarmahele en de zogennnmde verborgen lnng bestant uit een vast anntnl knopen die de uitvoerlaag verbindt met elke invoervarinbele, de invoerlang. EWe verbinding is voorzien van een gewicht en gezamelijk vormen deze gewichten de model-representatie. Als in de praktijk wordt gesproken over een backpropagation netwerk, dan wordt doorgnans deze struktuur bedoeld. Ms een dergetijk netwerk zou worden toegepast op bet voorheeldprobleem, dan zou bet volgende model kunnen ontstnan (grijs wordt als J gekiassificeerden wit als N ). (Zie figuur 2, p. 14). Het trniingsnlgoritme stelt zelfstandig bet netwerk zo af dat een zo goed mogelijk model ontstnat. Het algoritme beeft als tnak de gewichten tussen de lagen bij te stellen zodat de nangeboden invoerpatronen worden nfgeheeld op de juiste wnarden van de uitvoemeuronen. Dit wordt bereikt door de gemaakte fout op bet uitvoernivenu te herleiden tot fouten op lagere nivenus en op basis dnarvan de gewicbten tussen de lagen nan te passen. Bnckpropngntion is dus een vorm van supervised leren. Het enige wat de 13

6 Lceftujd kii~men Verborgen N N Invoer Iaag Uitvoer ~ N NN N N N N N Figuur 2. Een backpropagation-netwerk voor het voorbeeldprobleem. I I I I I.1 L.eftld bouwer moet doen is voorbewerken van de gegevens en kiezen voor een aantal knopen in de hidden layer. Het backpropagation netwerk is in versehillende varianten succesvol toegepast op vele terreinen en vormt het meest gebruikte neurale netwerk. Backpropagati67i-netwerken hebben twee bottlenecks: training en datapreparatie. De training van een netwerk is in de regel een langdurig proces, waarbij tevens de mogelijkheid bestaat dat de training niet convergeert; bet trainingsalgoritme is dan bet spoor bijster en is niet staat om de optimale eindtoestand te bereiken. De trainingstijd en de kans op non-convergentie lopen op met bet aantal variahelen en de komplexiteit van de verbanden. De tweede bottleneck vormt de datapreparatie: bet voorhewerken van gegevens zodat ze bruikbaar zijn voor bet netwerk. Bijvoorheeld: voor een kategorie variabele (nominale variahele) moet voor ewe mogelijke kategorie een nienwe variahele worden aanger aakt, waardoor bet betrekken van grote nominalen zoals posteode vrijwel onmogeiijk wordt. Een volgend punt is dat een maximaal presteren van bet netwerk niet alleen afbankelijk is van keuzen met betrekking tot de representatie van de invoer maar ook van die voor de architectuur van bet netwerk (aantal lagen en knopen) en de leerparameters (bijvoorbeeld de leersnelheid). Omdat er (nog) geen formele analyses van bet leergedrag van een netwerk bij een bepaalde dataset mogeiijk zijn, worden in de praktijk keuzes voor leer- en arcbitectuurparameters gebaseerd op beuristieken en zijn deze rnoeilijk te automatiseren. Prototype-geba~eerde netwerken Naast bet generen van een wiskundig model aan de band van voorheelden, is bet ook mogelijk een model te representeren door middel van de voorheelden zelf. Klassifikatie v~an een gegeven geval werkt dan als volgt: zoek bet meest gelijkende voorbeeld en ken de Masse to~ die dat voorbeeld heeft. Het is ecbter niet triviaal wat incest gelijkend hihoudt; de overeenkomst voor bepaalde variahelen is bijvoorheeld helangrijker dan die voor anderej)aamaast mag er niet op worden vertrouwd dat elk voorheeld prototypisch is, zeker niet als bet gaat om marketinggegevens. Neurale netwerken die zelfstandig voorheelden vertalen in prototypes en op basis daarvan kunnen kiassificeren worden prototype-gebaseerde netwerken genoemd. 14

7 Een groot voordeel van prototype-gebaseerde netwerken is dat training eenvoudig is. De trainingsgegevens moeten worden vertaald in een aantal prototypiscbe gevallen; er hoeft geen mathematiscb model te worden opgesteld. Omdat er geen abstraktie wordt gemaakt is de nauwkeurigbeid van prototype-gebaseerde netwerken boger dan die van bijvoorheeld backpropagation netwerken. Een nadeel is dat een dergelijk netwerk traag kan worden, vooral als bet aantal prototypes groot is. Ecbter, door algoritmische verheteringen en de toenemende opslag- en rekenkapaciteit van de betaalbare modeme computer, komen dergelijke systemen steeds meer binnen handbereik. Er zijn diverse prototype-gebaseerde technieken ontwikkeld. Kobonen (1982) introduceerde de Selforganizing feature map, waarmn de prototypes worden afgebeeld op een kiein aantal (yank twee) dimensies. ART staat voor Adaptive Resonance Theory en is ontwikkeld door Grossberg (Grossberg, 1976). ART is een tweelaags netwerk dat wordt getraind door een algoritme genaamd competitive learning. Indien nodig, past een ART-netwerk automatisch zijn struktuur aan. Binnen Sentient Machine Research is bet Resonant Field Computing paradigma ontwikkeld (den Uyl, 1986). Met dergelijke netwerken worden prototypes gegenereerd door gebruik te maken van fragmentariscbe opsiag van voorbeelden. RFC is geymplementeerd in eeri module onder de naam Data- Detective, welke tevens in staat is een uitspraak te onderbouwen door de bijhehorende oorspronkelijke voorheelden te tonen. Voor een illustratie, zie figuur 3. N NN NN NN 333 N N 1 N N N N N Figuur 3. Ajbeelding vaneen RFCmodel. 3.3 Neurale netwerken en statistiek De statistiek omvat methodes om te toetsen of bepaalde typen modellen opgaan voor een gegevensset, alsmede technieken om de onhekende parameters van een model te schatten. Een modelleringstrajekt boudt in: 1) aannames maken over de variabelen in bet domein, 2) aannames toetsen, 3) een bepaald type model kiezen dat daarmee overeenstemt en de verlangde taak vervult en 4) de onbekende parameters schatten. De hekendste technieken voor parameter-schatting zijn regressie-analyse en de kiassifikatie-variant van regressie: diskriminant-analyse. Een standaard diskriminant-analyse op bet manimachineprobleem zou bet volgend model op kunnen leveren, waarbij geldt dat hoe verder een geval van de scheidingslijn af ligt, des te sterker de uitspraak is dat bet tot een hepaalde Masse behoort: 15

8 Leeftild Figuur 4. Resultaat van diskriminant-analyse. In bovenstaande figuur worden alle gewillen in bet gearceerde gebied als kopers geklassificeerd. 7De foute kiassifikaties zijn onderstreept. De lage score illustreert dat een enkele diskriminant-funktie niet in staat is om komplexe en non-lineaire verbanden vast te leggen. I4et probleem met de non-lineariteit boudt in dat een kroni scheidingsvlak alleen maar gemodelleerd kan worden als de statisticus van te voren weet wat bet karakter van bet scheidingsvlak is. Er moet dus een aanname worden gemaakt over de aard van de verbanden. Het probleem met de komplexiteit is dat een diskriminant-funktie ~n enkel gebied isoleert, terwijl in werkelijkheid bijvoorbeeld maaimacbinekopers verschillende profielen bebhen. Ook biervoor dient de statisiicus aannames te maken die door statistiscbe toetsing moeten worden onderbouwd, waarna bet model zal worden gevorrud door een stelsel van diskriminant-funkties. Standaard statistische technieken kunnen niet tot de lerende technieken gerekend worden, aangezien de statisticus in feite bet model opstelt, en de tecbnieken enkel de ontbrekende parameters schatten: de technieken zijn niet zelfstandig. Aangezien gedragspatronen binnen een markt in de regel komplex en dynamiscb zijn, geldt dat bij toepassing van ~iatistiscbetechnieken voor marketing, de kennis en inzet van de statisticus een grote bottleneck kan vormen. Orudat bet voor een statisticus moeilijk kan zijn voiledig inzicht te krijgen in de gedragspatronen, bestaat tevens bet gevaar dat verkeerde inschattingen worden gemaakt. Daarnaast geldt dat statistische technieken slecbt om kunnen gaan met ontbrekende waurden en weinig bestand zijn tegen vervuilde gegevens (ruis). Voojal bij marketing-problemen is er een behoefte aan technieken die vrijwel autonoom een model op kunnen stellen en redelijk bestand zijn tegen ruis en ontbrekende waarden. Wat betreft de zelfstandigbeid van statistische technieken zijn de laatste ontwikkelingen binnen de non-parametriscbe statistiek boopgevend. Een voorheeld van deze ontwikkelingen wordt gevormd door de non-parametriscbe adaptieve regressiemetboden (Denteneer, 1993). Non-parametriscbe regressietechnieken onderscbeiden zicb door bet ontbreken van aannames over de vorm van de regressiefunktie. Ze vertonen daarmee overeenkomst met neurale netwerken Neurale netwerken en beslisbomen Het automatisch afleiden van kennisregels uit voorbeelden staat bmnnen de Kunstmatige Inteiligentie bekend als machine learning. Een groot voordeel van regel-representatie is 16

9 bet grote expressie-vermogen en de leesbaarheid die om twee reden goed is: als-dan regels zijn eenvoudig te hegrijpen en er wordt geredeneerd met hanteerbare begrippen: ALS kianttype=prospect EN provincie=gelderland DAN mail=ja. De bekendste machine learning technieken bebben betrekking op bet afleiden van heslisbomen: NPPA, AQ en 11)3 (Quinlan,1986). Een beslisboom is een boomstruktuur die op elk niveau een opsplitsing maakt van ddn variabele in verschillende takken. Als een bepantd geval gekiassificeerd moet worden dan moet per niveau worden gekeken in welke opsplitsing de waarde van de variabele in kwestie valt, waarna via die tak zicb een nieuwe opsplitsing aandient. Een beslisboom-model voor bet voorbeeldprobleem, zou er als volgt uit kunnen zien: N Figuur 5. Beslisboom-model en de bijbehorende a.fbeelding. In de figuur is te zien dat de scheidingsvlakken recht zijn, betgeen een groot nadeel is van heslisbomen: grillige verbanden, zoals die vaak voorkomen in marktgedrag, kunnen moeilijk worden gemodelleerd. Daamaast kunnen beslisboom-generatie technieken slecht omgaan met ruis en ontbrekende waarden, typiscb twee problemen die zich in marketing voordoen. Als voordeel van beslisbomen wordt vaak genoemd dat de leesbaarheid goed is, betgeen in de praktijk echter tegenvalt. ALS-DAN regels zijn op zicbzelf te begrijpen, maar bet totale model wordt niet opgebouwd vanuit een menselijk perspektief, hetgeen bizarre heslisstrukturen en enorme bomen tot gevolg kan hebhen. Daamaast kunnen verbanden in de praktijk zo subtiel zijn en zich op zo n laag niveau bevinden dat een toegankelijk representatie zowiezo onmogelijk is. De toegankelijkheid van een model is in dat geval alleen goed indien de komplexiteit ervan beperkt wordt, hetgeen ten koste gaat van de nauwkeurigheid. Een ander nadeel van regelgebaseerde systemen in bet algemeen is dat bet gedrag nogal gevoelig is voor kieine afwijkingen. De uitkomst van een konditie in een regel is tweewaardig (goed of fout) dus is een regelstruktuur dat ook, met als gevolg dat bijvoorbeeld iemand met een inkomen van 4201,- als een absolute kiant wordt gezien en iemand met een inkomen van 4199,- als een absolute non-kiant. In de valditeratuur wordt dit verschijnsel aangeduid met brittleness (broosheid): bet systeem kan niet tegen een stootje (lees: mis). 17

10 4. TOEPAS~LNGSMOGELIJKHEDEN VAN NEURALE NETWERKEN IN MARKE]ING Zoals biervooris aangegeven, lenen neurale netwerken zicb vooral voor bet zoeken van strukturen in gote databestanden met bet oog op kiassifikatie of voorspelling. In marketing heschiiden we veelvuldig over dergelijke grote databestanden: verkoop- en rnarktaandeelgegevens voor de merken in een produktkategorie verzameld bij de detailhandel (tegenwoordig hescbikbaar op weekbasis); de gege~ensbestanden zoals die via consumentenpanels wordlen verzameld: steekproeven van duizenden consumenten, die rapporteren ov~r hun aankopen met hetrekking tot een groot skala aan produkten; in de sfeer van direct marketing: zeer grote bestanden met kenmerken van consumenten en bun koopgedrag ten aanzien van diverse produkten en di~nsten. Ook in bet mediaonderzoek hewben we vaak met zeer grow steekproeven te maken, terwijl in de business-to-business door bet gebruik van verkoopsupportsystemen bedrijven gemakkelijk grote datahestanden kunnen opbouwen over kianten en prospects en bun koopgedrag. Tot nu toe werden deze data geanalyseercl met de eerdergenoemde ruin of meer conventionele statiistische technieken zoals niultipele regressie, discriminant-analyse, faktor-analyse, cluster-analyse, enz. Vaak moeten hierbij veronderstellingen worden gemaakt over de variahelen die twijfelachtig zijn (bijvoorbeeld normaal verdeeld, interval schaal gemeten, lineaire relaties, on&rling onafbankelijk, enz.). Gok treden vaak complexe interakties tussen de variabelen op. Al deze beperkingen zijn veel minder emstig bij neurale netwerken. Een neuraal netwerk is vooralgescbikt voor voorspellings- en selektiedoefeinden; datgene wat geleerd is bij een groot aantal trainingscases, bijvoorbeeld over de samenhang tussen persoonskenmerken en het wel of niet bezitten van een bepaald produkt, bijvoorheeld een Mercedes, kan worden gebruikt om voor een nieuwe case te voorspellen of de betreffende persoon wel of niet een potentidie Mantis voor een Mercedes. Daar staat tegenover dat een neuraal netwerk weinig inzicbt geeft in de vraag welke variabelen nu bet meest verklaren van de variantie in een bepaalde variahele. Statistische tbeorie~niwaarmee kan worden bepaald of hepaalde variahelen in bet model wel of niet signifikant zijn, ontbreken (vooralsnog) bij neurale netwerken. Toch zijn de voorspellingsmogelijkheden die neurale netwerken bieden al voldoende reden om hun bruikbaarbeid in marketing te onderzoeken. Diverse voorheelden van toepassingen van neurale netwerken in marketing kunnen worden genoerud. Het segmenteren van groepen van consumenten op basis van gemeenscbappelijke eigenscbappen is van helangrijke strategi~cbe waarde in de marketing. Neurale netwerken kunnen omgaan met de segmentatie problematiek en heschikken zelfs over kwaliteiten om een~ priori en een a posteriori benadering te kombineren in een enkel model (Mazanec, 1993). De effektiviteit van de marketing kan tot uitdrukking gebracht worden in de ROI per geynvesteerde gulden en de tevredenheid van de consument. Het is daarom helangrijk 18

11 om consumenten te kunnen onderscheiden met een relatief hoge verwacbtingswaarde van consumenten met een relatief lage verwacbtingswaarde. Het budget kan dan effektiever worden aartgewend. Ook voor deze taak kunnen neurale netwerken worden ingezet (Wurtz & Curry, 1993). In de direct marketing is bet selekteren van consumenten met een boge kans op een positieve reaktie op een mailing een helangrijke taak. Dit kan gebeuren aan de hand van gegevens over de manier waarop men in bet verleden op vergelijkbare mailings beeft gereageerd (Garavaglia, 1993). Voor bet voorspellen van kijkcijfers knnnen eveneens neurale netwerken gebruikt worden. Deze voorspellingen zijn van belang voor optimalisatie van uitzendtijden van rekiames (Fitzsimons, Khabaza& Shearer, 1993) (Boyero, TrigueroRuiz, 1993). Een minder voor de band liggende toepassing is wellicbt bet bepalen van consumentenpercepties. Hierbij wordt getracht grip te krijgen op bet besluitvormingsproces van de consument (Moutinho, Curry, 1993). Een andere selektietaak is het selekteren van sales promotie instrumenten. Dit kan geheuren met bebulp van scannerdata of op basis van expertkennis omtrent de mate wanrin verschillende sales promotion instrumenten verondersteld worden aan te sluiten bij marketing doelstellingen (Kluytmans, Wierenga& Spigt, 1993). Neurale netwerken, evenals andere methoden uit de kunstmatige intelligentie, worden soms met veel aplomb gepresenteerd als de oplossing voor alle problemen. Het lijkt verstandiger om op een nuchtere wijze te onderzoeken wat neurale netwerken wel en niet kunnen bmnnen marketing en waar bun belangrijkste bijdrage ligt. Een groot projekt in dit verband in Nederland is een door bet Direct Marketing Instituut Nederland (DMIN) geynitieerd onderzoek 2, waarin diverse bedrijven met grote databestanden deelnemen om de toepasbaarheid van neurale netwerken (en andere adaptieye tecbnieken) in de praktijk te onderzoeken. Flier gaat bet vooral om zogenaamde cross-sektie-gegevens. Daamaast is bet interessant om na te gaan wat neurale netwerken te bieden bebben bij bet andere type data dat we in marketing vaak tegenkomen: zogenaamde tijdreeksdata. Exploratief onderzoek op dit terrein komt in de volgende paragraaf aan de orde. 5. NEURALE NETWERKEN IN TIJDREEKS-ONDERZOEK Het onderzoek naar de mogelijkbeden van neurale netwerken bij tijdreeks-onderzoek begint op gang te komen. Een voorbeeld is bet artikel van Hruscbka (1991) die met 60 (maand) gegevens werkte van een merkartikel op de Oostenrijkse consumentenmarkt en de aanpassing van een neuraal netwerk aan deze gegevens vergeleekmet die van een regressiemodel. Zijn conclusie is: Die Netzwerke ftibren zu deutlich besseren Ergebnissen. In een exploratief onderzoek naar de mogelijkheden van neurale netwerken bebben wij voor een markt van niet duurzame consumentenprodukten in een Westeuropees land nagegaan hoe goed de marktaandelen van de helangrijkste merken kunnen worden voorspeld met een neuraal netwerk in vergelijking met de (traditionele) multipele regressiemetbode. 19

12 In deze markt werden de grootste vijf merken in beschouwing genomen. Voor het gemak beperken we verder de markt tot de verkopen van deze vijf merken samen. Voor de verkiaring van bet marktaandeel van een merk in een bepaalde periode werden de volgende variabelen gebanteerd: relatieve prijs; reklame-aandeel~ gewogen distributie; gewogen out-of-stocks; trend. Bij bet multiple regressiemodel werd bet marktaandeel door middel van een lineair model uit deze variahelen verkiaard. Dezelfde variabelen fungeerden ook als input voor bet neuraal netwerk; de output variahele was daar uiteraard bet marktaandeel. De hescbikbare gegevens waren tweemaandelijkse Nielsen data vanaf de zesde periode dat 1984 tot eji met de tweede periode van 1993 (totaal 51 datapunten). Het scbatten van bet regressiemodel, respektievelijk bet trainen van bet neurale netwerk gescbiedde aan de band van de gegevens van 1984 tot en met 1991 (43 datapunten). Vervolgens werd de voorspelkracbt van heide metboden getest op de (verse) gegevens van begin 1992 tot en met de tweede periode van Tabel 1. Gemiddelde voorspelfout neuraal netwerk versus muleipele regressie voor 5 merken over 8perioden (1992 tim 2eperiode 1993). Neuraal Netwerk Multipele Regressie Merk A Merk B MerkC MerkD MerkE Gemiddeld 1.16 L82 Tahel I geeft de gemiddelde voorspelfout over deze acht perioden voor de vijf merken, voor bet neuraal netwerk en de multipele regressie. Het blijkt dat voor alle vijf merken bet neurale netwerk gemiddeld heter voorspelt dan bet regress7iemodel. De betere prestatie van bet netwerk is ook statistiscb signifikant (p<o.005):iiii~tvan7de 40 individuele cases ligt de voorspelling van het netwerk dichter bij bet werkelijke marktaandeel dan die van bet regressiemodel. Opvallend is de relatief goede prestatie van bet netwerk ten opzicbte van de regressie bij merk C. Dit is een sterk merk, dat in de periode 1992/93 relatief in prijs omboog is gegaan ten opzicbte van de concurrenten. Het regressiemodel voorspelt voor deze testperiode in tegenstelling tot bet neurale netwerk systematiscb een te laag marktaandeel voor merk C. 20

13 Blijkbaar kent bet regressiemodel een te groot gewicht toe aan de prijsstijging, terwijl bet netwerk beter de sterke overall positie van merk C uit bet verleden heeft opgeplkt. Uiteraard moeten we ons realiseren dat deze vergelijking van neuraal netwerk en regressie slechts ddn produktldasse betreft. Toch is bet opvallend dat blijkbaar met een betrekkelijk klein aantal verkiarende variabelen bet neurale netwerk al tot opvallend betere voorpsellingen komt dan bet regressiemodel (de gemiddelde fout bij regressie was 56% groter dan bij bet neurale netwerk). Tijdreeksgegevens zuilen in de toekomst steeds rijker worden: gegevens over meer variahelen en met bogere frekwentie. Dit lijkt aileen maar verder in bet voordeel te werken van neurale netwerken. Meer empiriscb onderzoek met gegevens uit diverse markten is echter nodig voordat definitievere uitspraken kunnen worden gedaan. Wierengaen Kluytmans (1994) bebben een simulatiestudie uitgevoerd om de prestaties van een neuraal netwerk in een tijdreekssituatie te onderzoeken onder verscbillende omstandigheden. Edn van de heschouwde faktoren is de modeispecifikatie (lineair tegenover exponentieel). Hun conclusie is dat, zoals verwacbt, bij een lineair verband in de data tussen marketing instrumenten en verkopen bet neurale netwerk bet nauwelijks (maar wel signifikant) heter doet dan regressie. Bij een niet linenir model presteert bet neurale netwerk ecbter duidelijk beter, ook als we bet regressiemodel terugscbatten met een log-transformatie. Bij ecbte data bebben we uiteraard de informatie over de juiste terugtransformatie niet. Ook dit resultaat geeft dus aan dat er ale reden is om goed naar neurale netwerken te kijken als analyse- en vooral voorspelmetbode in marketing. 6. TOOLS VOOR NEURALE NETWERKEN Op basis van een gedefinieerde taak, zoals bijvoorheeld mailingselektie of omzetvoorspelling, kan men een model gaan bouwen. Allereerst dienden de gegevens dan te worden geselekteerd en geprepareerd, waama bet model dient te worden getraind en ge~valueerd. Dataselektie en -preparatie: Als men een verzameling variabelen beeft, dan kan bet wenselijk zijn een aantal variabelen weg te laten en/of een aantal variabelen te kombineren om zo een meer relevante indikator over te bouden met meer voorspellingskracht. Dit proces kan gebaseerd zijn op marktkennis, maar ook kan bet zijn dat sommige gegevens op zichzelf te weinig voorkomen om als prediktor gebruikt te worden. Daarom is bet helangrijk dat voordat er aan modelbouw begonnen wordt er eerst een beperkte statistiscbe analyse van de steekproef gedaan wordt. Verder steilen bepaalde technieken eisen aan de wijze waarop de data wordt aangeboden. Op basis van kennis, statistiek en techniekeisen worden de gegevens verder geselekteerd en bewerkt. De steekproef moet ook onderverdeeld worden in een aanta] gelijkwaardige sets om zo modelontwikkeling en validatie gescheiden te houden. Training en evaluatie: In de meest gebruikelijke vorm wordt bet model ge~valueerd op een aparte validatieset, die meestal een (disjunkte) steekproef is nit de gehele set van 21

14 gegevens. Soms wordt bierbij nog aanvullende informatie gegeven over de betrouwbaarheid van bet model op basis van statistiscbe kengetallen. De kosten voor een systeem lopen uiteen, van een paar duizend gulden voor PC-gebaseerde algemene modeleringsprogramma s, tot f > of meer voor gespecialiseerde marketingsystemen, inklusief uitgebreide consultancy. Belangrijk is dat daarbij een zeer uiteenlopend niveau van expertise van de gebrulkers verwacht wordt. Voor gebruikers zonder analytiscbe acbtergrond is bet niet eenvoudig een operationeel model te ontwikkelen met deze pakketten. De fabrikanten bieden weinig ondersteuning in de vorm van gebruikersopleiding of consultancy. Dit kan grote konsekwenties bebben voor de additionele investeringen die nodig zijn in kursussen, ervaringsopbouw en gebruik als operationeel model. Een volledig overzicbt van tools zou meer dan 8 pagina s omvatten en alleen ruimte laten voor een beknopte omschrijving van de funktionaliteit (zie bijvoorbeeld bet overzicbt in Al Expert, Februari 1993). Er isthier gekozen vobr een opzet die niet pretendeert volledig te zijn maar inzicbt probeert te verschaffen in de mogelijkbeden die momenteel op de markt worden geboden. NeuroShell: van Ward Systems Group, prijsindikatie f 1000., werkt op een PC onder Windows of DOS. NeuroSbefi bevat een 5-tal verscbillende netwerk-technieken waaronder backpropagation, recurrent backpropagation, kobonen en een tweetal statistische netwerken (PPN en GRNN). Eenmaal ontwikkelde neurale netwerk modellen kunnen worden toegepast in een andere software omgeving. Brainmaker: van California Scientific Software, prijsindikatie f 2500,, werkt op een PC onder Windows of DOS. Een van de snelste PC-sofiware-simulatoren voor backpropagation dat tevens bet enige type -netwerk is dat bet pakket bevat. Er zijn veel mogelijkbeden om bet model te optimaliseren. De mogelijkbeden voor dataselektie en datapreparatie zijn echter heperkt en niet 100% betr6uwbaar. Ook de mogelijkheden voor modelevaluatie zijn heperkt en eigeii rapportages produceren is onmogelijk. NeuralWorks Profesional Il/Plus: van NeuralWare, prijsindikarie f 5000, (PC-versie), werkt op PC s (onder DOS, ecbter wel grafiscb geori~nteerd), Macintosb, VAX en diverse UNIX workstations. NeuralWorks is bet pakket met de meest uitgebreide selektie aan netwerk-technieken en ook een van de oudste aanbieders op de markt. De gebruiker beeft zeer veel mogelijkbeden om tot in detail de modelvorming te sturen. Er zijn ook een aantal aanvullende modules om hier als gebruiker volledig vat op te krijgen (tegen een aanzienlijke meerprijs). Het pakket is om deze redenen veel gezien op universiteiten en onderzoekslaboratoria~ Dataselektie is redelijk rudimentair. 4Thought: van Livingstones B.V. Strate 1gic Business Systems, prijsindikatie f ,, voor PC s onder Windows. Als techniek wordt een variant van backpropagation gebruikt. Er zijn mogelijkheden voor eigen rapportages. Het systeem is duidelijk marketing gericlit. Er is een mogelijkheid om bet netwerkrnodel te exporteren. DataDetective is een intern produkt van SMR. Het is PC-gebaseerd met een Windowsinterface (en rnogelijkheden voor een Dos-interface). Het is een gereedscbap dat speciaal ontwikkeld is om SMR s eigen techniek, Resonant Field Computing (RFC), opti- 22

15 maal te kunnen benutten. Het is op dit moment een gereedscbap dat custom-made wordt toegepast binnen applikaties zoals CustomerMarketing Rating Software, Talent- View en BlindDate. Het wordt ook projectgewijs toegepast bij de uitvoering van DMtaken zoals bijvoorheeld mailingakties en doelgroepselekties. 7. CONCLUSIES In bet voorgaande is geproheerd de lezer een beeld te geven van neurale netwerken en hun (potentidie) toepassingsmogelijkheden in marketing. Neurale netwerken stellen zelfstandig een model op van een gedrag, op basis van voorbeelden van dat gedrag. Standaard statistiek vergt veel meer expertise en tijd bij de modelvonning en kan moeilijker omgaan met komplexe rion-lineaire verbanden in de data. Kennisbomen leveren enigszins meer leesbare modeilen op die echter niet bestand zijn tegen vervuilde en inkomplete gegevens, die typisch zijn in database marketing. De uitkomsten van bet onderzoek tot nu toe wijzen in de ricbting dat neurale netwerken voor marketing heloften lijken te bieden. Zowel voor cross-sektie- als tijdreeksdata wordt dit momenteel verder onderzocbt. In marketing wordt veelvuldig over grote databestanden bescbikt die zich goed lenen voor neurale netwerk-toepassingen. Hopelijk zal dit artikel een aantal lezers stimuleren biermee aan de gang te gaan. NOTEN 1. Een gedeelte van dit artikel is gebaseerd op het rapport Adaptieve Data-Analyse in Direct Marketing dat door de eerste auteur (samen met collega s van SMR) is uitgebracht aan het Direct Marketing Instituut Nederland (1994). 2. Dit onderzoek wordt uitgevoerd door SMR. LITERATUUR Anderson J.A., Pellioaisz A., and Rosenfeld E., Introduction. NeuroComputing 2. MIT Press, London. Bailey, D. & D. Thompson, How to Develop Neural Network Applications, inal-expert, June 1990, pp Bastaens, D.E. & W.M. van den Bergb, Analyse van Rendementen op de Aandelenindex met bebuip van Neurale Netwerken, in VBA Journaal, vol.8, september 1992, pp Beale, R. & T. Jackson, Neural computing: An Introduction, 1990, Bristol, New York, Adam Huger, pp Boyero, E.P. & F.A. Triguero Ruiz, A Method to Predict the Television Audience Based on Neural Networks, in Proceedings of the Second International Conference on Al Applications on Wall Street, April 1993, New York, pp Collins, E., S. Ubosh & C. Scofield, 1989, An Aplication of a Multiple Neural NetworkLearning System to Emulation of Mortage Underwriting Judgements, Nestor Inc., Providence, RI. Denteneer, D., 1993, Niet-parametriscbe regressie: neuraal of statistiscb? Kennis en Methoden 44, Duives, P.C., Huysman, S.A., Mol, M.J. & J.K. Vegter, 1991, Neurale Netwerken in Beurshandel en Koersvoorspeuingen. Journal of Software Research, 3, nummer 2. 23

16 Epping, W.J.M. & G. Nitters, A Neural Network for Analysis and Improvement of Gas Well Production, in Proceedings of the 1990 SurnYner Computer Simulation Conference, July 1990, Society for Computer Simulation, San Diego, pp Fitzsimons, M., T. Khabaza & C.,~ The Applications of Rule Induction and Neural Networks for ~l levision Audience Prediction, in Proceedings ESOMAR-EMAC-AEM Symposion on Information BasedDecision Making in Marketing, November 1993, Paris, pp Garavaglia, S., Direct Mail Response Modeling Using a Counterpropagation Neural Network, in Proceedings of the Second International Conference on Al Applications on Wall Street, April 1993, New York, pp Grossberg, 5., 1976, Adaptive pattern classification and universal recoding: I. Parallel development and coding ofneural feature detectors. Biological Cybernetics Hoptroff, R.G., The Principles and Practice of Time Series Forecasting and Business Modelling using Neural Nets, in Neural Computing APplications, vol.1, Hruschka, H., Einsatz kunstlicher neuraler Netzwerke zur Datenanalyse im Marketing, in Zeitschnftfur Forschung und Entwicklung, vol.4, 1991 IV,pp Kluytmans, J., B. Wierenga & M. Spigt, Developing a Neural Network for the Selection of Sales Promotion Instruments in Different Marketing Situations, in Proceedings of the Second International Conference on AlApplications on Wall Street, April 1993, New York, pp Kohonen, T. 1982, Self-organized formation of topologically correct feature maps. Biological Cybernetics, 43, pp In: Neural Computing I, Anderson et al., 1990, MIT Press: Cambridge. Mazanec, l.a., A priori and a posteriori Segmentation: Heading for Unification with Neural Network Modeling, in Proceedings of the 22nd Annual Conference of the European Marketing Academy, May 1993, Barcelona, pp Moutinho, L. & B. Curry, Consumer Perceptions of ATMs: an Application of Neural Networks, in Proceedings of the 22nd~Annual c o~ference of the European Marketing Academy, May 1993, Barcelona, pp Murre, J.M.J., Leren in Neurale Netwerken, in informatie, Jaargang 33, nr.6, pp Quinlan, J.R., 1986, Induction of Decision Trees. Machine Learning 1, pp Refenez, A.N., M. Azena-Barac, L. Chen & S.A. Karoussos, Currency Exchange Rate Prediction and Neural Network Design Strategies, in Neural Computing & Applications, 1993, pp Rosenblatt, F., 1962, The perceptron: a probabilistic model for information storage in the brain. Psychological review, 65: Rumelhart, D.E. & J.L. McClelland, Parallel distributed Processing: Explorations in the Microstructure of Cognition, 1986, Cambridge, Mass., MIT Press. Sejnowski, T.J. & C.R. Rosenberg, Parallel networks that learn to pronounce English text, in Complex Systems, 1987, pp Simpson P.K., Artificial Neural Systems. Pergamon Press, San Diego. Uyl, M.J. den, Representing Magnitude by Memory Resonance in Proceedings of the 6th Annual Conference of the Cognitive Science Society, 1986, pp Verdenius, F., Neurale Netwerken Toepassen in Kwaliteit, in Sigma, Jaargang 93, nr.3, pp Wierenga, B. & I. Kluytmans, Neural Nets versus Marketing Models in time Series analysis: a Simulation study, in Proceedings of the 23rd EMAC conference, Maastricht, mei 1994, pp Wurtz, W. & I. Curry, Customer Marketing Ratings, in Conference Workbook on the 10th National Conference/Exposition on Database?darketing, pp

17 2. Technologie in direct marketing en marktonderzoek H. HAAIJ EN W.F. VAN RAAIJ SAMENVNITING In navolging van een Amerikaans onderzoek heeft de Stichting Research van het DM1N (Direct Marketing Insfituut Nederland) onderzoek gedaan naar de acceptatie van nieuwe technologie~n in de direct marketing. Er zijn 44 technologie~n onderzocht in vier categorie~n: (1) gegevens- en informatiebeheer, (2) creatieve en produktietechnologie, (3) communicatie en interactieve media, en (4) kiantenafhandeling en distributie. Nicuwe technologie~n worden vooral aanvaard door gespecialiseerde DM-dienstverleners. De meeste innovatie vindt plaats bij inteme technologie~n, dat wil zeggen technologie die binnen de organisatie wordt gebruikt voor gegevensbeheer en produktie. Exteme technologie in de relaties met afflemers heeft een lagerniveau van acceptatie, waarschijnlijk door het waargenomen risico vanontevredenheid bij kianten. Direct marketing en marktonderzoek gaan door het gebruik van gegeveasbestanden steeds meer op elkaar lijken. Daarom zijn deze ontwikkelingenin de DM-wereld ook relevant voor marktonderzoekers. 1. INLEIDIING The probable simplification of the facsimile system... must sooner or later interfere... with the transportation of letters by the slower means ofthe post (Postmaster General of the United States, 1872) Everything that can be invented, has been invented (Charles Duell, Director of the U.S. Patent Office, 1899) There is no likelihood that man can ever tap the power of the atom (Robert Milliken, Nobelprijswinnaar Natuurkunde, 1923) One does not need a crystal ball to see that the future of the market research field, and the survival of many of its current players, will be dictated by the use, or the ignorance oftechnology (DMA Technology Research, 1990) Uk deze uitspraken blijkt dat de Amerikaanse Postmaster met zijn voorspelling zijn tijd een eeuw vooruit was, terwijl Charles Duell en Robert Milliken de plank volledig missloegen, terwiji zij toch niet de geringsten waren op hun vakgebied. In Nederland voorspelden Hugo Brandt Corstius en Jan Hem Dormer dat vertani-, respectievelijk schaakcomputers het volledig afleggen tegen menselijke vertalers, respectievelijk schakers. Wij verwachten dat ze binnen niet al te lange tijd ongelijk zullen krijgen. 25

18 In de vierde uitspraak is het oorspronkelijke direct marketing vervangen door market research. We verwachten dat, net als in de direct marketing, in het marktonderzoek technologische vemieuwingen een belangrijk concurrentieel voordeel kunnen opleveren voor de innovators. Het is nog niet erg lang geleden dat men coti~putergestuurd telefonisch inte7rviewen (CATI) een nutteloze vemieuwing vond. En men heeft erg ongelijk gekregen! Een kwart van alle gegevensverzameling vindt flu telefonisch plaats (Oostveen 1994). Er zijn belangrijke parallellen tussen direct marketing en marktonderzoek die de annpassing van de vierde uitspraak rechtvaardigen. Beide disciplines zijn research diiyen. In beide disciplines worden gegevens verzameld, geanalyseerd en gegevensbestanden opgebouwd. Direct marketing is te definirren als een marktsysteem waarbij producent, grossier of de~tailhandel in rechtstreeks contact staat met de consument/afnemer door middel van media zoals (on)geadresseerde brievenbusreclame, telefoon, telefax en catalogus (floor en Van Raaij 1993, blz. 470). Consumenten kunnen rechtstreeks reageren, goederen worden rechtstreeks geleverd en consumenten behoeven geen winkel te bezoeken. De direct marketeer beschikt over een bestand met persoonsen koopgegevens van de klanten. Postorderverkoop en teleshopping zijn een vorm van direct marketing. Marktonderzoek is een discipline waarbij marktonderzoekers in opdracht van producenten of detailbandel gegevens verzamelen, analyseren en rapporteren om koopgedrag te beschrijven en te voorspellen. In het marktonderzoek worden ook bestanden met persoons- en koopgegevens gebruikt om hieruit steekproeven te trekken en personen in bet bestand te ondervragen. Waarom is technologie voor beide disciplines belangrijk? Allereerst kan technologie worden gebruikt om de kostprijs per eenheid te verlagen en hierdoor znarges te behouden bij scherper wordende concurrentie in een markt, bijvoorbeeld bij die van grootschalig kwantitatief marktonderzoek. Ten tweede kan technologie de creativiteit, selectiviteit, analyse en bijvoorbeeld de rapiiortage van onderzoeksresultaten veranderen, versnellen en verbeteren. In de derde plaats kunnen bedx-ijven die beschikken over nieuwe technologie~n, toetreden tot de markt voor marktonderzoek, zoals bijvoorbeeld telemarketeers hebben gedaan. Er is voor zover ons bekend geen substantieel onderzoek verricht naar bet gebruik van nieuwe techno1ogie~n in bet marktonderzoek. De overzichten van computermogelijkheden dateren al van tien jaar geleden (Den Boon 1984; DeNooij 1984). Er is ook geen onderzoek naar de perceptie van marktonderzoekers ten aanzien van technologie~n die in de nabije toekomst mogelijkerwijs een toegevoegde waarde hebben voor marktonderzoek. Is CA fl het summum van technologie of is er meer mogellik? Stoppen we bij de selectie van respondenten uit een gegevensbesland bij de gedigende methodieken of durven we het nan om eens te experimenteren met zeiflerende, adaptieve dataanalysetechnieken? Zie hierover bet artikel in dit jaarboek van Van der Veen, Wierenga en Kluitmans. Dergelijke vragen zijn twee jaar geleden (DMIN 1992) ook gesteld in de direct-marketingsector. Technologisch geavanceerde direct-marketeers betrokken technologie in nile aspecten van interactieve marketing (Molenaar 1990, 1993). Velen hadden een open oog had voor de toepassingsmogelijkheden van nieuwe technologie~n en technieken. 26